IoT-For-Beginners/translations/pa/4-manufacturing/lessons/1-train-fruit-detector

ਫਲ ਦੀ ਗੁਣਵੱਤਾ ਪਛਾਣਨ ਵਾਲਾ ਡਿਟੈਕਟਰ ਤਿਆਰ ਕਰੋ

ਸਕੈਚਨੋਟ ਨਿਤਿਆ ਨਰਸਿੰਹਨ ਦੁਆਰਾ। ਵੱਡੇ ਵਰਜਨ ਲਈ ਚਿੱਤਰ 'ਤੇ ਕਲਿਕ ਕਰੋ।

ਇਹ ਵੀਡੀਓ Azure Custom Vision ਸੇਵਾ ਦਾ ਝਲਕ ਦਿੰਦੀ ਹੈ, ਜੋ ਕਿ ਇਸ ਪਾਠ ਵਿੱਚ ਕਵਰ ਕੀਤੀ ਜਾਵੇਗੀ।

🎥 ਉਪਰੋਕਤ ਚਿੱਤਰ 'ਤੇ ਕਲਿਕ ਕਰਕੇ ਵੀਡੀਓ ਦੇਖੋ

ਪਾਠ ਤੋਂ ਪਹਿਲਾਂ ਕਵਿਜ਼

ਪਾਠ ਤੋਂ ਪਹਿਲਾਂ ਕਵਿਜ਼

ਪਰਿਚਯ

ਹਾਲ ਹੀ ਵਿੱਚ Artificial Intelligence (AI) ਅਤੇ Machine Learning (ML) ਦੇ ਉਭਾਰ ਨੇ ਅੱਜ ਦੇ ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਵਿਆਪਕ ਸਮਰੱਥਾਵਾਂ ਪ੍ਰਦਾਨ ਕੀਤੀਆਂ ਹਨ। ML ਮਾਡਲਾਂ ਨੂੰ ਚਿੱਤਰਾਂ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਚੀਜ਼ਾਂ ਨੂੰ ਪਛਾਣਨ ਲਈ ਤਿਆਰ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਅਪੱਕੇ ਫਲ। ਇਹ IoT ਡਿਵਾਈਸਾਂ ਵਿੱਚ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ ਤਾਂ ਜੋ ਫਲਾਂ ਨੂੰ ਛਾਂਟਣ ਵਿੱਚ ਮਦਦ ਕੀਤੀ ਜਾ ਸਕੇ, ਚਾਹੇ ਇਹ ਫਸਲ ਕੱਟਣ ਸਮੇਂ ਹੋਵੇ ਜਾਂ ਫੈਕਟਰੀਆਂ ਜਾਂ ਗੋਦਾਮਾਂ ਵਿੱਚ ਪ੍ਰੋਸੈਸਿੰਗ ਦੌਰਾਨ।

ਇਸ ਪਾਠ ਵਿੱਚ ਤੁਸੀਂ ਚਿੱਤਰ ਵਰਗੀਕਰਨ ਬਾਰੇ ਸਿੱਖੋਗੇ - ML ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਵੱਖ-ਵੱਖ ਚਿੱਤਰਾਂ ਵਿੱਚ ਅੰਤਰ ਕਰਨ ਲਈ। ਤੁਸੀਂ ਸਿੱਖੋਗੇ ਕਿ ਚਿੱਤਰ ਵਰਗੀਕਰਨ ਵਾਲੇ ਮਾਡਲ ਨੂੰ ਕਿਵੇਂ ਤਿਆਰ ਕਰਨਾ ਹੈ ਜੋ ਚੰਗੇ ਅਤੇ ਖਰਾਬ ਫਲਾਂ ਵਿੱਚ ਅੰਤਰ ਕਰ ਸਕੇ, ਜਿਵੇਂ ਕਿ ਅਧਪੱਕੇ, ਜ਼ਿਆਦਾ ਪੱਕੇ, ਖਰਾਬ ਜਾਂ ਸੜੇ ਹੋਏ।

ਇਸ ਪਾਠ ਵਿੱਚ ਅਸੀਂ ਕਵਰ ਕਰਾਂਗੇ:

• AI ਅਤੇ ML ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਖਾਣਾ ਛਾਂਟਣਾ
• Machine Learning ਦੁਆਰਾ ਚਿੱਤਰ ਵਰਗੀਕਰਨ
• ਚਿੱਤਰ ਵਰਗੀਕਰਨ ਵਾਲਾ ਮਾਡਲ ਤਿਆਰ ਕਰੋ
• ਆਪਣੇ ਚਿੱਤਰ ਵਰਗੀਕਰਨ ਵਾਲੇ ਮਾਡਲ ਦੀ ਜਾਂਚ ਕਰੋ
• ਆਪਣੇ ਚਿੱਤਰ ਵਰਗੀਕਰਨ ਵਾਲੇ ਮਾਡਲ ਨੂੰ ਦੁਬਾਰਾ ਤਿਆਰ ਕਰੋ

AI ਅਤੇ ML ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਖਾਣਾ ਛਾਂਟਣਾ

ਵਿਸ਼ਵ ਦੀ ਆਬਾਦੀ ਨੂੰ ਖੁਰਾਕ ਪ੍ਰਦਾਨ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੈ, ਖਾਸ ਕਰਕੇ ਇਸ ਕੀਮਤ 'ਤੇ ਜੋ ਸਭ ਲਈ ਖੁਰਾਕ ਨੂੰ ਸਸਤਾ ਬਣਾਏ। ਸਭ ਤੋਂ ਵੱਡਾ ਖਰਚਾ ਮਜ਼ਦੂਰੀ ਹੈ, ਇਸ ਲਈ ਕਿਸਾਨ ਲਾਗਤ ਘਟਾਉਣ ਲਈ ਆਟੋਮੇਸ਼ਨ ਅਤੇ IoT ਵਰਗੇ ਸੰਦਾਂ ਦੀ ਵਰਤੋਂ ਵਧਾ ਰਹੇ ਹਨ। ਹੱਥ ਨਾਲ ਫਸਲ ਕੱਟਣਾ ਮਜ਼ਦੂਰੀ-ਗਹਿਰਾ ਕੰਮ ਹੈ (ਅਤੇ ਅਕਸਰ ਪੀਠ-ਤੋੜ ਕੰਮ), ਅਤੇ ਇਸ ਨੂੰ ਮਸ਼ੀਨਰੀ ਦੁਆਰਾ ਬਦਲਿਆ ਜਾ ਰਿਹਾ ਹੈ, ਖਾਸ ਕਰਕੇ ਅਮੀਰ ਦੇਸ਼ਾਂ ਵਿੱਚ। ਮਸ਼ੀਨਰੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਫਸਲ ਕੱਟਣ ਦੀ ਲਾਗਤ ਵਿੱਚ ਬਚਤ ਦੇ ਬਾਵਜੂਦ, ਇੱਕ ਨੁਕਸਾਨ ਹੈ - ਫਸਲ ਕੱਟਣ ਸਮੇਂ ਖਾਣੇ ਨੂੰ ਛਾਂਟਣ ਦੀ ਸਮਰੱਥਾ।

ਸਭ ਫਸਲਾਂ ਇੱਕੋ ਸਮੇਂ ਪੱਕਦੀਆਂ ਨਹੀਂ। ਉਦਾਹਰਣ ਲਈ, ਟਮਾਟਰ ਵਿੱਚ ਕੁਝ ਹਰੇ ਫਲ ਵੀ ਹੋ ਸਕਦੇ ਹਨ ਜਦੋਂ ਬਾਕੀ ਫਸਲ ਕੱਟਣ ਲਈ ਤਿਆਰ ਹੁੰਦੀ ਹੈ। ਹਰੇ ਫਲਾਂ ਨੂੰ ਜਲਦੀ ਕੱਟਣਾ ਬੇਕਾਰ ਹੈ, ਪਰ ਕਿਸਾਨ ਲਈ ਸਾਰੀਆਂ ਫਸਲਾਂ ਨੂੰ ਮਸ਼ੀਨਰੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੱਟਣਾ ਅਤੇ ਬਾਅਦ ਵਿੱਚ ਅਪੱਕੇ ਫਲਾਂ ਨੂੰ ਫੈਂਕਣਾ ਸਸਤਾ ਅਤੇ ਆਸਾਨ ਹੈ।

✅ ਕਿਸੇ ਖੇਤ ਜਾਂ ਆਪਣੇ ਬਾਗ ਵਿੱਚ ਜਾਂ ਦੁਕਾਨਾਂ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਫਲਾਂ ਜਾਂ ਸਬਜ਼ੀਆਂ ਨੂੰ ਦੇਖੋ। ਕੀ ਇਹ ਸਾਰੇ ਇੱਕੋ ਪੱਕਣ ਦੇ ਦਰਜੇ ਦੇ ਹਨ, ਜਾਂ ਤੁਸੀਂ ਵੱਖ-ਵੱਖਤਾ ਦੇਖਦੇ ਹੋ?

ਆਟੋਮੇਟਿਕ ਫਸਲ ਕੱਟਣ ਦੇ ਉਭਾਰ ਨੇ ਫਸਲਾਂ ਦੀ ਛਾਂਟਣ ਨੂੰ ਖੇਤ ਤੋਂ ਫੈਕਟਰੀ ਤੱਕ ਪਹੁੰਚਾ ਦਿੱਤਾ। ਖਾਣਾ ਲੰਬੇ ਕਨਵੇਅਰ ਬੈਲਟਾਂ 'ਤੇ ਚਲਦਾ ਸੀ, ਜਿੱਥੇ ਟੀਮਾਂ ਫਸਲਾਂ ਨੂੰ ਛਾਂਟਣ ਲਈ ਮੈਨੂਅਲ ਕੰਮ ਕਰਦੀਆਂ ਸਨ। ਮਸ਼ੀਨਰੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਫਸਲ ਕੱਟਣ ਸਸਤਾ ਹੋ ਗਿਆ, ਪਰ ਖਾਣੇ ਨੂੰ ਮੈਨੂਅਲ ਤਰੀਕੇ ਨਾਲ ਛਾਂਟਣ ਦੀ ਲਾਗਤ ਫਿਰ ਵੀ ਸੀ।

ਅਗਲੀ ਕਦਮ ਮਸ਼ੀਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਛਾਂਟਣ ਦੀ ਸੀ, ਜੋ ਕਿ ਫਸਲ ਕੱਟਣ ਵਾਲੀ ਮਸ਼ੀਨ ਵਿੱਚ ਜਾਂ ਪ੍ਰੋਸੈਸਿੰਗ ਪਲਾਂਟਾਂ ਵਿੱਚ ਬਣਾਈ ਗਈ। ਪਹਿਲੀ ਪੀੜ੍ਹੀ ਦੀਆਂ ਮਸ਼ੀਨਾਂ ਨੇ ਰੰਗਾਂ ਨੂੰ ਪਛਾਣਨ ਲਈ ਆਪਟੀਕਲ ਸੈਂਸਰਾਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ, ਜੋ ਹਰੇ ਟਮਾਟਰਾਂ ਨੂੰ ਕਚਰੇ ਦੇ ਡੱਬੇ ਵਿੱਚ ਸੁੱਟਣ ਲਈ ਲੀਵਰ ਜਾਂ ਹਵਾ ਦੇ ਝੋਕੇ ਵਰਗੇ ਐਕਚੁਏਟਰਾਂ ਨੂੰ ਕੰਟਰੋਲ ਕਰਦੀਆਂ ਸਨ, ਜਦੋਂ ਕਿ ਲਾਲ ਟਮਾਟਰ ਕਨਵੇਅਰ ਬੈਲਟਾਂ ਦੇ ਜਾਲ 'ਤੇ ਅੱਗੇ ਵਧਦੇ ਰਹੇ।

ਇਸ ਵੀਡੀਓ ਵਿੱਚ, ਜਦੋਂ ਟਮਾਟਰ ਇੱਕ ਕਨਵੇਅਰ ਬੈਲਟ ਤੋਂ ਦੂਜੇ 'ਤੇ ਡਿੱਗਦੇ ਹਨ, ਹਰੇ ਟਮਾਟਰ ਪਛਾਣੇ ਜਾਂਦੇ ਹਨ ਅਤੇ ਲੀਵਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕਚਰੇ ਦੇ ਡੱਬੇ ਵਿੱਚ ਸੁੱਟੇ ਜਾਂਦੇ ਹਨ।

✅ ਫੈਕਟਰੀ ਜਾਂ ਖੇਤ ਵਿੱਚ ਇਹ ਆਪਟੀਕਲ ਸੈਂਸਰਾਂ ਨੂੰ ਸਹੀ ਤਰੀਕੇ ਨਾਲ ਕੰਮ ਕਰਨ ਲਈ ਕਿਹੜੇ ਹਾਲਾਤਾਂ ਦੀ ਲੋੜ ਹੋਵੇਗੀ?

ਇਹ ਮਸ਼ੀਨਾਂ ਦੀ ਤਾਜ਼ਾ ਪੀੜ੍ਹੀ AI ਅਤੇ ML ਦਾ ਲਾਭ ਲੈਂਦੀ ਹੈ, ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਚੰਗੇ ਫਲਾਂ ਨੂੰ ਖਰਾਬ ਫਲਾਂ ਤੋਂ ਪਛਾਣਨ ਲਈ ਤਿਆਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਇਹ ਸਿਰਫ਼ ਰੰਗ ਦੇ ਸਪਸ਼ਟ ਅੰਤਰਾਂ (ਜਿਵੇਂ ਕਿ ਹਰੇ ਟਮਾਟਰ ਵਿਰੁੱਧ ਲਾਲ) ਦੁਆਰਾ ਹੀ ਨਹੀਂ, ਸਗੋਂ ਬਹੁਤ ਹੀ ਸੁਖਮ ਅੰਤਰਾਂ ਦੁਆਰਾ ਵੀ ਪਛਾਣ ਕਰ ਸਕਦੇ ਹਨ ਜੋ ਬਿਮਾਰੀ ਜਾਂ ਖਰਾਬੀ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ।

Machine Learning ਦੁਆਰਾ ਚਿੱਤਰ ਵਰਗੀਕਰਨ

ਪ੍ਰੰਪਰਾਗਤ ਪ੍ਰੋਗਰਾਮਿੰਗ ਵਿੱਚ ਤੁਸੀਂ ਡਾਟਾ ਲੈਂਦੇ ਹੋ, ਡਾਟਾ 'ਤੇ ਇੱਕ ਐਲਗੋਰਿਥਮ ਲਾਗੂ ਕਰਦੇ ਹੋ, ਅਤੇ ਨਤੀਜਾ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹੋ। ਉਦਾਹਰਣ ਲਈ, ਪਿਛਲੇ ਪ੍ਰੋਜੈਕਟ ਵਿੱਚ ਤੁਸੀਂ GPS ਕੋਆਰਡੀਨੇਟ ਅਤੇ ਇੱਕ ਜਿਓਫੈਂਸ ਲਿਆ, Azure Maps ਦੁਆਰਾ ਪ੍ਰਦਾਨ ਕੀਤੇ ਐਲਗੋਰਿਥਮ ਨੂੰ ਲਾਗੂ ਕੀਤਾ, ਅਤੇ ਨਤੀਜਾ ਪ੍ਰਾਪਤ ਕੀਤਾ ਕਿ ਕੀ ਪੌਇੰਟ ਜਿਓਫੈਂਸ ਦੇ ਅੰਦਰ ਹੈ ਜਾਂ ਬਾਹਰ।

Machine Learning ਇਸ ਨੂੰ ਉਲਟਾ ਕਰ ਦਿੰਦਾ ਹੈ - ਤੁਸੀਂ ਡਾਟਾ ਅਤੇ ਜਾਣੇ-ਪਛਾਣੇ ਨਤੀਜੇ ਨਾਲ ਸ਼ੁਰੂ ਕਰਦੇ ਹੋ, ਅਤੇ Machine Learning ਐਲਗੋਰਿਥਮ ਡਾਟਾ ਤੋਂ ਸਿੱਖਦਾ ਹੈ। ਤੁਸੀਂ ਇਸ ਤਿਆਰ ਕੀਤੇ ਐਲਗੋਰਿਥਮ ਨੂੰ, ਜਿਸ ਨੂੰ machine learning model ਜਾਂ model ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਨਵਾਂ ਡਾਟਾ ਦਿੰਦੇ ਹੋ ਅਤੇ ਨਵਾਂ ਨਤੀਜਾ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹੋ।

🎓 Machine Learning ਐਲਗੋਰਿਥਮ ਦੁਆਰਾ ਡਾਟਾ ਤੋਂ ਸਿੱਖਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ training ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਇਨਪੁਟ ਅਤੇ ਜਾਣੇ-ਪਛਾਣੇ ਨਤੀਜੇ ਨੂੰ training data ਕਿਹਾ ਜਾਂਦਾ ਹੈ।

ਉਦਾਹਰਣ ਲਈ, ਤੁਸੀਂ ਇੱਕ ਮਾਡਲ ਨੂੰ ਲੱਖਾਂ ਅਪੱਕੇ ਕੇਲਿਆਂ ਦੀਆਂ ਤਸਵੀਰਾਂ ਦੇ ਸਕਦੇ ਹੋ, ਇਨਪੁਟ ਟ੍ਰੇਨਿੰਗ ਡਾਟਾ ਦੇ ਤੌਰ 'ਤੇ, ਅਤੇ ਟ੍ਰੇਨਿੰਗ ਨਤੀਜਾ unripe ਸੈਟ ਕਰ ਸਕਦੇ ਹੋ। ਇਸੇ ਤਰ੍ਹਾਂ, ਲੱਖਾਂ ਪੱਕੇ ਕੇਲਿਆਂ ਦੀਆਂ ਤਸਵੀਰਾਂ ਦੇ ਸਕਦੇ ਹੋ, ਅਤੇ ਨਤੀਜਾ ripe ਸੈਟ ਕਰ ਸਕਦੇ ਹੋ। ML ਐਲਗੋਰਿਥਮ ਇਸ ਡਾਟਾ ਦੇ ਆਧਾਰ 'ਤੇ ਇੱਕ ਮਾਡਲ ਤਿਆਰ ਕਰੇਗਾ। ਤੁਸੀਂ ਇਸ ਮਾਡਲ ਨੂੰ ਇੱਕ ਨਵੀਂ ਤਸਵੀਰ ਦਿੰਦੇ ਹੋ ਅਤੇ ਇਹ ਅਨੁਮਾਨ ਲਗਾਏਗਾ ਕਿ ਨਵੀਂ ਤਸਵੀਰ ਪੱਕੇ ਜਾਂ ਅਪੱਕੇ ਕੇਲੇ ਦੀ ਹੈ।

🎓 ML ਮਾਡਲਾਂ ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ predictions ਕਿਹਾ ਜਾਂਦਾ ਹੈ।

ML ਮਾਡਲ ਬਾਈਨਰੀ ਜਵਾਬ ਨਹੀਂ ਦਿੰਦੇ, ਸਗੋਂ ਸੰਭਾਵਨਾਵਾਂ ਦਿੰਦੇ ਹਨ। ਉਦਾਹਰਣ ਲਈ, ਇੱਕ ਮਾਡਲ ਨੂੰ ਇੱਕ ਕੇਲੇ ਦੀ ਤਸਵੀਰ ਦਿੱਤੀ ਜਾ ਸਕਦੀ ਹੈ ਅਤੇ ਇਹ ripe 99.7% ਅਤੇ unripe 0.3% ਅਨੁਮਾਨ ਲਗਾ ਸਕਦਾ ਹੈ। ਤੁਹਾਡਾ ਕੋਡ ਸਭ ਤੋਂ ਵਧੀਆ ਅਨੁਮਾਨ ਚੁਣੇਗਾ ਅਤੇ ਫੈਸਲਾ ਕਰੇਗਾ ਕਿ ਕੇਲਾ ਪੱਕਾ ਹੈ।

ਚਿੱਤਰਾਂ ਨੂੰ ਪਛਾਣਨ ਲਈ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ ML ਮਾਡਲ image classifier ਕਿਹਾ ਜਾਂਦਾ ਹੈ - ਇਸ ਨੂੰ ਲੇਬਲ ਕੀਤੀਆਂ ਤਸਵੀਰਾਂ ਦਿੱਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ, ਅਤੇ ਇਹ ਨਵੀਆਂ ਤਸਵੀਰਾਂ ਨੂੰ ਇਨ੍ਹਾਂ ਲੇਬਲਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਵਰਗੀਕਰਤ ਕਰਦਾ ਹੈ।

💁 ਇਹ ਇੱਕ ਸਧਾਰਨ ਸਿੱਧਾਂਤ ਹੈ, ਅਤੇ ਮਾਡਲਾਂ ਨੂੰ ਤਿਆਰ ਕਰਨ ਦੇ ਹੋਰ ਵੀ ਕਈ ਤਰੀਕੇ ਹਨ ਜੋ ਹਮੇਸ਼ਾ ਲੇਬਲ ਕੀਤੇ ਨਤੀਜਿਆਂ ਦੀ ਲੋੜ ਨਹੀਂ ਕਰਦੇ, ਜਿਵੇਂ ਕਿ unsupervised learning। ਜੇ ਤੁਸੀਂ ML ਬਾਰੇ ਹੋਰ ਸਿੱਖਣਾ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ML for beginners, Machine Learning 'ਤੇ 24 ਪਾਠਾਂ ਦਾ ਕੋਰਸ ਦੇਖੋ।

ਚਿੱਤਰ ਵਰਗੀਕਰਨ ਵਾਲਾ ਮਾਡਲ ਤਿਆਰ ਕਰੋ

ਇੱਕ ਚਿੱਤਰ ਵਰਗੀਕਰਨ ਵਾਲਾ ਮਾਡਲ ਸਫਲਤਾਪੂਰਵਕ ਤਿਆਰ ਕਰਨ ਲਈ ਤੁਹਾਨੂੰ ਲੱਖਾਂ ਤਸਵੀਰਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਜਿਵੇਂ ਕਿ ਪਤਾ ਲੱਗਿਆ ਹੈ, ਜਦੋਂ ਤੁਸੀਂ ਲੱਖਾਂ ਜਾਂ ਅਰਬਾਂ ਵੱਖ-ਵੱਖ ਤਸਵੀਰਾਂ 'ਤੇ ਤਿਆਰ ਕੀਤਾ ਚਿੱਤਰ ਵਰਗੀਕਰਨ ਵਾਲਾ ਮਾਡਲ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਇਸ ਨੂੰ ਦੁਬਾਰਾ ਵਰਤ ਸਕਦੇ ਹੋ ਅਤੇ ਇਸ ਨੂੰ ਇੱਕ ਛੋਟੇ ਸੈੱਟ ਦੀਆਂ ਤਸਵੀਰਾਂ ਨਾਲ ਦੁਬਾਰਾ ਤਿਆਰ ਕਰ ਸਕਦੇ ਹੋ ਅਤੇ ਸ਼ਾਨਦਾਰ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹੋ, ਜਿਸ ਪ੍ਰਕਿਰਿਆ ਨੂੰ transfer learning ਕਿਹਾ ਜਾਂਦਾ ਹੈ।

🎓 Transfer learning ਉਹ ਪ੍ਰਕਿਰਿਆ ਹੈ ਜਿੱਥੇ ਤੁਸੀਂ ਮੌਜੂਦਾ ML ਮਾਡਲ ਤੋਂ ਸਿੱਖਣ ਨੂੰ ਨਵੇਂ ਡਾਟਾ ਦੇ ਆਧਾਰ 'ਤੇ ਨਵੇਂ ਮਾਡਲ ਵਿੱਚ ਤਬਦੀਲ ਕਰਦੇ ਹੋ।

ਜਦੋਂ ਇੱਕ ਚਿੱਤਰ ਵਰਗੀਕਰਨ ਵਾਲਾ ਮਾਡਲ ਵਿਆਪਕ ਤਸਵੀਰਾਂ ਲਈ ਤਿਆਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਇਸ ਦੇ ਅੰਦਰੂਨੀ ਹਿੱਸੇ ਸ਼ਕਲਾਂ, ਰੰਗਾਂ ਅਤੇ ਪੈਟਰਨਾਂ ਨੂੰ ਪਛਾਣਨ ਵਿੱਚ ਸ਼ਾਨਦਾਰ ਹੁੰਦੇ ਹਨ। Transfer learning ਮਾਡਲ ਨੂੰ ਇਹ ਸਿੱਖਣ ਦਿੰਦਾ ਹੈ ਕਿ ਨਵੀਆਂ ਤਸਵੀਰਾਂ ਨੂੰ ਪਛਾਣਨ ਲਈ ਕਿਹੜੇ ਸੰਯੋਜਨ ਵਰਤਣੇ ਹਨ।

ਤੁਸੀਂ ਇਸ ਨੂੰ ਬੱਚਿਆਂ ਦੀਆਂ ਸ਼ਕਲਾਂ ਦੀਆਂ ਕਿਤਾਬਾਂ ਵਰਗਾ ਸਮਝ ਸਕਦੇ ਹੋ, ਜਿੱਥੇ ਜਦੋਂ ਤੁਸੀਂ ਅੱਧ-ਗੋਲ, ਆਯਤ ਅਤੇ ਤਿਕੋਣ ਨੂੰ ਪਛਾਣ ਸਕਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਇੱਕ ਜਹਾਜ਼ ਜਾਂ ਬਿੱਲੀ ਨੂੰ ਪਛਾਣ ਸਕਦੇ ਹੋ। ਚਿੱਤਰ ਵਰਗੀਕਰਨ ਵਾਲਾ ਮਾਡਲ ਸ਼ਕਲਾਂ ਨੂੰ ਪਛਾਣ ਸਕਦਾ ਹੈ, ਅਤੇ Transfer learning ਇਸ ਨੂੰ ਸਿੱਖਾਉਂਦਾ ਹੈ ਕਿ ਕਿਹੜਾ ਸੰਯੋਜਨ ਜਹਾਜ਼ ਜਾਂ ਬਿੱਲੀ ਬਣਾਉਂਦਾ ਹੈ - ਜਾਂ ਪੱਕਾ ਕੇਲਾ।

ਇਸ ਨੂੰ ਕਰਨ ਲਈ ਕਈ ਸੰਦ ਉਪਲਬਧ ਹਨ, ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਕਲਾਉਡ-ਅਧਾਰਿਤ ਸੇਵਾਵਾਂ ਸ਼ਾਮਲ ਹਨ ਜੋ ਤੁਹਾਨੂੰ ਮਾਡਲ ਤਿਆਰ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੀਆਂ ਹਨ, ਅਤੇ ਫਿਰ ਇਸ ਨੂੰ ਵੈੱਬ APIs ਦੁਆਰਾ ਵਰਤਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੀਆਂ ਹਨ।

💁 ਇਹ ਮਾਡਲ ਤਿਆਰ ਕਰਨ ਲਈ ਬਹੁਤ ਸਾਰੀ ਕੰਪਿਊਟਰ ਪਾਵਰ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਆਮ ਤੌਰ 'ਤੇ Graphics Processing Units (GPUs) ਦੁਆਰਾ। ਉਹੀ ਵਿਸ਼ੇਸ਼ ਹਾਰਡਵੇਅਰ ਜੋ ਤੁਹਾਡੇ Xbox 'ਤੇ ਖੇਡਾਂ ਨੂੰ ਸ਼ਾਨਦਾਰ ਬਣਾਉਂਦਾ ਹੈ, Machine Learning ਮਾਡਲਾਂ ਨੂੰ ਤਿਆਰ ਕਰਨ ਲਈ ਵੀ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਕਲਾਉਡ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਤੁਸੀਂ GPUs ਵਾਲੇ ਸ਼ਕਤੀਸ਼ਾਲੀ ਕੰਪਿਊਟਰਾਂ 'ਤੇ ਸਮਾਂ ਕਿਰਾਏ 'ਤੇ ਲੈ ਸਕਦੇ ਹੋ, ਜਿੰਨਾ ਸਮਾਂ ਤੁਹਾਨੂੰ ਲੋੜ ਹੈ।

Custom Vision

Custom Vision ਇੱਕ ਕਲਾਉਡ-ਅਧਾਰਿਤ ਸੰਦ ਹੈ ਜੋ ਚਿੱਤਰ ਵਰਗੀਕਰਨ ਵਾਲੇ ਮਾਡਲਾਂ ਨੂੰ ਤਿਆਰ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਇਹ ਤੁਹਾਨੂੰ ਸਿਰਫ਼ ਇੱਕ ਛੋਟੇ ਸੈੱਟ ਦੀਆਂ ਤਸਵੀਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਵਰਗੀਕਰਨ ਵਾਲਾ ਮਾਡਲ ਤਿਆਰ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਤੁਸੀਂ ਤਸਵੀਰਾਂ ਨੂੰ ਵੈੱਬ ਪੋਰਟਲ, ਵੈੱਬ API ਜਾਂ SDK ਦੁਆਰਾ ਅਪਲੋਡ ਕਰ ਸਕਦੇ ਹੋ, ਹਰ ਤਸਵੀਰ ਨੂੰ tag ਦੇ ਕੇ ਜੋ ਉਸ ਤਸਵੀਰ ਦੀ ਵਰਗੀਕਰਨ ਦਿੰਦਾ ਹੈ। ਤੁਸੀਂ ਫਿਰ ਮਾਡਲ ਨੂੰ ਤਿਆਰ ਕਰਦੇ ਹੋ, ਅਤੇ ਇਸ ਨੂੰ ਜਾਂਚਦੇ ਹੋ ਕਿ ਇਹ ਕਿੰਨਾ ਚੰਗਾ ਕੰਮ ਕਰਦਾ ਹੈ। ਜਦੋਂ ਤੁਸੀਂ ਮਾਡਲ ਨਾਲ ਸੰਤੁਸ਼ਟ ਹੁੰਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਇਸ ਦੇ ਵਰਜਨ ਪਬਲਿਸ਼ ਕਰ ਸਕਦੇ ਹੋ ਜੋ ਵੈੱਬ API ਜਾਂ SDK ਦੁਆਰਾ ਪਹੁੰਚਯੋਗ 💁 ਇਹ ਕਲਾਸੀਫਾਇਰ ਕਿਸੇ ਵੀ ਚੀਜ਼ ਦੀਆਂ ਤਸਵੀਰਾਂ ਨੂੰ ਕਲਾਸੀਫਾਈ ਕਰ ਸਕਦੇ ਹਨ, ਇਸ ਲਈ ਜੇ ਤੁਹਾਡੇ ਕੋਲ ਵੱਖ-ਵੱਖ ਗੁਣਵੱਤਾ ਵਾਲੇ ਫਲ ਨਹੀਂ ਹਨ, ਤਾਂ ਤੁਸੀਂ ਦੋ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੇ ਫਲਾਂ ਜਾਂ ਬਿੱਲੀਆਂ ਅਤੇ ਕੁੱਤਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹੋ! ਹਰ ਤਸਵੀਰ ਵਿੱਚ ਸਿਰਫ ਫਲ ਹੀ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ, ਜਾਂ ਤਾਂ ਇੱਕ ਸਥਿਰ ਪਿਛੋਕੜ ਹੋਵੇ ਜਾਂ ਵੱਖ-ਵੱਖ ਪਿਛੋਕੜਾਂ। ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਪਿਛੋਕੜ ਵਿੱਚ ਕੁਝ ਵੀ ਪੱਕੇ ਅਤੇ ਕੱਚੇ ਫਲਾਂ ਦੇ ਵਿਚਕਾਰ ਵਿਸ਼ੇਸ਼ ਨਹੀਂ ਹੋਣਾ ਚਾਹੀਦਾ।

💁 ਇਹ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿ ਪਿਛੋਕੜ ਵਿਸ਼ੇਸ਼ ਨਾ ਹੋਵੇ, ਜਾਂ ਅਜਿਹੀ ਚੀਜ਼ਾਂ ਨਾ ਹੋਣ ਜੋ ਟੈਗ ਕੀਤੇ ਗਏ ਚੀਜ਼ ਨਾਲ ਸਬੰਧਤ ਨਾ ਹੋਣ, ਨਹੀਂ ਤਾਂ ਕਲਾਸੀਫਾਇਰ ਸਿਰਫ ਪਿਛੋਕੜ ਦੇ ਆਧਾਰ 'ਤੇ ਕਲਾਸੀਫਾਈ ਕਰ ਸਕਦਾ ਹੈ। ਇੱਕ ਸਕਿਨ ਕੈਂਸਰ ਕਲਾਸੀਫਾਇਰ ਬਣਾਇਆ ਗਿਆ ਸੀ ਜੋ ਸਧਾਰਨ ਅਤੇ ਕੈਂਸਰਸ ਮੋਲਸ 'ਤੇ ਟ੍ਰੇਨ ਕੀਤਾ ਗਿਆ ਸੀ, ਅਤੇ ਕੈਂਸਰਸ ਮੋਲਸ ਦੇ ਨਾਲ ਹਮੇਸ਼ਾ ਰੂਲਰ ਹੁੰਦੇ ਸਨ ਜੋ ਆਕਾਰ ਮਾਪਣ ਲਈ ਵਰਤੇ ਜਾਂਦੇ ਸਨ। ਨਤੀਜਾ ਇਹ ਨਿਕਲਿਆ ਕਿ ਕਲਾਸੀਫਾਇਰ ਤਸਵੀਰਾਂ ਵਿੱਚ ਰੂਲਰਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਵਿੱਚ ਲਗਭਗ 100% ਸਹੀ ਸੀ, ਨਾ ਕਿ ਕੈਂਸਰਸ ਮੋਲਸ ਦੀ।

ਇਮੇਜ ਕਲਾਸੀਫਾਇਰ ਬਹੁਤ ਘੱਟ ਰੈਜ਼ੋਲੂਸ਼ਨ 'ਤੇ ਚਲਦੇ ਹਨ। ਉਦਾਹਰਣ ਲਈ, Custom Vision ਟ੍ਰੇਨਿੰਗ ਅਤੇ ਪ੍ਰਿਡਿਕਸ਼ਨ ਤਸਵੀਰਾਂ ਨੂੰ 10240x10240 ਤੱਕ ਲੈ ਸਕਦਾ ਹੈ, ਪਰ ਮਾਡਲ ਨੂੰ 227x227 ਰੈਜ਼ੋਲੂਸ਼ਨ 'ਤੇ ਟ੍ਰੇਨ ਅਤੇ ਚਲਾਉਂਦਾ ਹੈ। ਵੱਡੀਆਂ ਤਸਵੀਰਾਂ ਨੂੰ ਇਸ ਆਕਾਰ ਵਿੱਚ ਛੋਟਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਇਸ ਲਈ ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਤੁਸੀਂ ਜਿਸ ਚੀਜ਼ ਨੂੰ ਕਲਾਸੀਫਾਈ ਕਰ ਰਹੇ ਹੋ ਉਹ ਤਸਵੀਰ ਦਾ ਵੱਡਾ ਹਿੱਸਾ ਲੈਂਦੀ ਹੋਵੇ, ਨਹੀਂ ਤਾਂ ਇਹ ਛੋਟੀ ਤਸਵੀਰ ਵਿੱਚ ਬਹੁਤ ਛੋਟੀ ਹੋ ਸਕਦੀ ਹੈ ਜੋ ਕਲਾਸੀਫਾਇਰ ਦੁਆਰਾ ਵਰਤੀ ਜਾਂਦੀ ਹੈ।

1. ਆਪਣੇ ਕਲਾਸੀਫਾਇਰ ਲਈ ਤਸਵੀਰਾਂ ਇਕੱਠੀਆਂ ਕਰੋ। ਤੁਹਾਨੂੰ ਹਰ ਲੇਬਲ ਲਈ ਕਮ ਤੋਂ ਕਮ 5 ਤਸਵੀਰਾਂ ਦੀ ਲੋੜ ਹੋਵੇਗੀ ਕਲਾਸੀਫਾਇਰ ਨੂੰ ਟ੍ਰੇਨ ਕਰਨ ਲਈ, ਪਰ ਜਿੰਨੀ ਜ਼ਿਆਦਾ ਹੋਣਗੀਆਂ, ਉਨ੍ਹਾਂ ਨੂੰ ਟ੍ਰੇਨ ਕਰਨ ਵਿੱਚ ਵਧੀਆ ਹੋਵੇਗਾ। ਤੁਹਾਨੂੰ ਕਲਾਸੀਫਾਇਰ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਕੁਝ ਵਾਧੂ ਤਸਵੀਰਾਂ ਦੀ ਵੀ ਲੋੜ ਹੋਵੇਗੀ। ਇਹ ਤਸਵੀਰਾਂ ਇੱਕੋ ਚੀਜ਼ ਦੀਆਂ ਵੱਖ-ਵੱਖ ਤਸਵੀਰਾਂ ਹੋਣੀਆਂ ਚਾਹੀਦੀਆਂ ਹਨ। ਉਦਾਹਰਣ ਲਈ:

   • 2 ਪੱਕੇ ਕੇਲਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਹਰ ਇੱਕ ਦੀਆਂ ਕੁਝ ਵੱਖ-ਵੱਖ ਕੋਣਾਂ ਤੋਂ ਤਸਵੀਰਾਂ ਲਓ, ਘੱਟੋ-ਘੱਟ 7 ਤਸਵੀਰਾਂ (5 ਟ੍ਰੇਨ ਕਰਨ ਲਈ, 2 ਜਾਂਚ ਕਰਨ ਲਈ), ਪਰ ਆਦਰਸ਼ ਤੌਰ 'ਤੇ ਹੋਰ।

     

   • ਇਹੀ ਪ੍ਰਕਿਰਿਆ 2 ਕੱਚੇ ਕੇਲਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਦੁਹਰਾਓ।

   ਤੁਹਾਡੇ ਕੋਲ ਘੱਟੋ-ਘੱਟ 10 ਟ੍ਰੇਨਿੰਗ ਤਸਵੀਰਾਂ ਹੋਣੀਆਂ ਚਾਹੀਦੀਆਂ ਹਨ, ਘੱਟੋ-ਘੱਟ 5 ਪੱਕੀਆਂ ਅਤੇ 5 ਕੱਚੀਆਂ, ਅਤੇ 4 ਟੈਸਟਿੰਗ ਤਸਵੀਰਾਂ, 2 ਪੱਕੀਆਂ, 2 ਕੱਚੀਆਂ। ਤੁਹਾਡੀਆਂ ਤਸਵੀਰਾਂ png ਜਾਂ jpeg ਹੋਣੀਆਂ ਚਾਹੀਦੀਆਂ ਹਨ, 6MB ਤੋਂ ਛੋਟੀ। ਜੇ ਤੁਸੀਂ ਉਨ੍ਹਾਂ ਨੂੰ iPhone ਨਾਲ ਬਣਾਉਂਦੇ ਹੋ ਤਾਂ ਉਹ ਉੱਚ-ਰੈਜ਼ੋਲੂਸ਼ਨ HEIC ਤਸਵੀਰਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ, ਇਸ ਲਈ ਉਨ੍ਹਾਂ ਨੂੰ ਰੂਪਾਂਤਰਿਤ ਅਤੇ ਸੰਭਵ ਤੌਰ 'ਤੇ ਛੋਟਾ ਕਰਨ ਦੀ ਲੋੜ ਹੋਵੇਗੀ। ਜਿੰਨੀ ਜ਼ਿਆਦਾ ਤਸਵੀਰਾਂ ਹੋਣਗੀਆਂ, ਉਨ੍ਹਾਂ ਨੂੰ ਟ੍ਰੇਨ ਕਰਨ ਵਿੱਚ ਵਧੀਆ ਹੋਵੇਗਾ, ਅਤੇ ਤੁਹਾਡੇ ਕੋਲ ਪੱਕੀਆਂ ਅਤੇ ਕੱਚੀਆਂ ਦੀ ਸੰਖਿਆ ਇੱਕੋ ਜਿਹੀ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ।

   ਜੇ ਤੁਹਾਡੇ ਕੋਲ ਦੋਵੇਂ ਪੱਕੇ ਅਤੇ ਕੱਚੇ ਫਲ ਨਹੀਂ ਹਨ, ਤਾਂ ਤੁਸੀਂ ਵੱਖ-ਵੱਖ ਫਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹੋ, ਜਾਂ ਕੋਈ ਵੀ ਦੋ ਚੀਜ਼ਾਂ ਜੋ ਤੁਹਾਡੇ ਕੋਲ ਉਪਲਬਧ ਹਨ। ਤੁਸੀਂ images ਫੋਲਡਰ ਵਿੱਚ ਪੱਕੇ ਅਤੇ ਕੱਚੇ ਕੇਲਿਆਂ ਦੀਆਂ ਕੁਝ ਉਦਾਹਰਣ ਤਸਵੀਰਾਂ ਵੀ ਲੱਭ ਸਕਦੇ ਹੋ ਜੋ ਤੁਸੀਂ ਵਰਤ ਸਕਦੇ ਹੋ।

2. Microsoft Docs ਦੇ build a classifier quickstart ਦੇ upload and tag images ਸੈਕਸ਼ਨ ਨੂੰ ਫਾਲੋ ਕਰੋ ਆਪਣੇ ਟ੍ਰੇਨਿੰਗ ਤਸਵੀਰਾਂ ਨੂੰ ਅੱਪਲੋਡ ਕਰਨ ਲਈ। ਪੱਕੇ ਫਲਾਂ ਨੂੰ ripe ਅਤੇ ਕੱਚੇ ਫਲਾਂ ਨੂੰ unripe ਦੇ ਤੌਰ 'ਤੇ ਟੈਗ ਕਰੋ।

   

3. Microsoft Docs ਦੇ build a classifier quickstart ਦੇ train the classifier ਸੈਕਸ਼ਨ ਨੂੰ ਫਾਲੋ ਕਰੋ ਆਪਣੇ ਅੱਪਲੋਡ ਕੀਤੀਆਂ ਤਸਵੀਰਾਂ 'ਤੇ ਇਮੇਜ ਕਲਾਸੀਫਾਇਰ ਨੂੰ ਟ੍ਰੇਨ ਕਰਨ ਲਈ।

   ਤੁਹਾਨੂੰ ਟ੍ਰੇਨਿੰਗ ਦੀ ਕਿਸਮ ਚੁਣਨ ਦਾ ਵਿਕਲਪ ਦਿੱਤਾ ਜਾਵੇਗਾ। Quick Training ਚੁਣੋ।

ਕਲਾਸੀਫਾਇਰ ਫਿਰ ਟ੍ਰੇਨ ਹੋਵੇਗਾ। ਟ੍ਰੇਨਿੰਗ ਪੂਰੀ ਹੋਣ ਵਿੱਚ ਕੁਝ ਮਿੰਟ ਲੱਗਣਗੇ।

🍌 ਜੇ ਤੁਸੀਂ ਕਲਾਸੀਫਾਇਰ ਦੀ ਟ੍ਰੇਨਿੰਗ ਦੌਰਾਨ ਆਪਣੇ ਫਲ ਖਾਣ ਦਾ ਫੈਸਲਾ ਕਰਦੇ ਹੋ, ਤਾਂ ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਤੁਹਾਡੇ ਕੋਲ ਜਾਂਚ ਕਰਨ ਲਈ ਕਾਫ਼ੀ ਤਸਵੀਰਾਂ ਹਨ!

ਆਪਣਾ ਇਮੇਜ ਕਲਾਸੀਫਾਇਰ ਟੈਸਟ ਕਰੋ

ਜਦੋਂ ਤੁਹਾਡਾ ਕਲਾਸੀਫਾਇਰ ਟ੍ਰੇਨ ਹੋ ਜਾਵੇ, ਤਾਂ ਤੁਸੀਂ ਇਸ ਨੂੰ ਨਵੀਂ ਤਸਵੀਰ ਦੇ ਕੇ ਟੈਸਟ ਕਰ ਸਕਦੇ ਹੋ।

ਟਾਸਕ - ਆਪਣਾ ਇਮੇਜ ਕਲਾਸੀਫਾਇਰ ਟੈਸਟ ਕਰੋ

1. Microsoft Docs ਦੇ test your model ਡੌਕੂਮੈਂਟੇਸ਼ਨ ਨੂੰ ਫਾਲੋ ਕਰੋ ਆਪਣੇ ਇਮੇਜ ਕਲਾਸੀਫਾਇਰ ਨੂੰ ਟੈਸਟ ਕਰਨ ਲਈ। ਉਹ ਟੈਸਟਿੰਗ ਤਸਵੀਰਾਂ ਵਰਤੋ ਜੋ ਤੁਸੀਂ ਪਹਿਲਾਂ ਬਣਾਈਆਂ ਸਨ, ਨਾ ਕਿ ਉਹ ਤਸਵੀਰਾਂ ਜੋ ਤੁਸੀਂ ਟ੍ਰੇਨਿੰਗ ਲਈ ਵਰਤੀਆਂ ਸਨ।

   

2. ਤੁਹਾਡੇ ਕੋਲ ਉਪਲਬਧ ਸਾਰੀਆਂ ਟੈਸਟਿੰਗ ਤਸਵੀਰਾਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ ਅਤੇ ਸੰਭਾਵਨਾਵਾਂ ਨੂੰ ਦੇਖੋ।

ਆਪਣਾ ਇਮੇਜ ਕਲਾਸੀਫਾਇਰ ਮੁੜ ਟ੍ਰੇਨ ਕਰੋ

ਜਦੋਂ ਤੁਸੀਂ ਆਪਣੇ ਕਲਾਸੀਫਾਇਰ ਨੂੰ ਟੈਸਟ ਕਰਦੇ ਹੋ, ਤਾਂ ਇਹ ਸੰਭਵ ਹੈ ਕਿ ਇਹ ਤੁਹਾਡੇ ਉਮੀਦਾਂ ਦੇ ਨਤੀਜੇ ਨਾ ਦੇਵੇ। ਇਮੇਜ ਕਲਾਸੀਫਾਇਰ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ ਇਹ ਅਨੁਮਾਨ ਲਗਾਉਣ ਲਈ ਕਿ ਤਸਵੀਰ ਵਿੱਚ ਕੀ ਹੈ, ਤਸਵੀਰ ਦੇ ਵਿਸ਼ੇਸ਼ ਲੱਛਣਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਸੰਭਾਵਨਾਵਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਕਿ ਇਹ ਕਿਸੇ ਵਿਸ਼ੇਸ਼ ਲੇਬਲ ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਹੈ। ਇਹ ਤਸਵੀਰ ਵਿੱਚ ਕੀ ਹੈ ਇਹ ਨਹੀਂ ਸਮਝਦਾ - ਇਹ ਨਹੀਂ ਜਾਣਦਾ ਕਿ ਕੇਲਾ ਕੀ ਹੈ ਜਾਂ ਕੇਲੇ ਨੂੰ ਕਿਸੇ ਬੋਟ ਤੋਂ ਵੱਖਰਾ ਬਣਾਉਣ ਵਾਲੀ ਚੀਜ਼ ਨੂੰ ਸਮਝਦਾ ਹੈ। ਤੁਸੀਂ ਆਪਣੇ ਕਲਾਸੀਫਾਇਰ ਨੂੰ ਮੁੜ ਟ੍ਰੇਨ ਕਰਕੇ ਇਸ ਨੂੰ ਸੁਧਾਰ ਸਕਦੇ ਹੋ ਜਿਨ੍ਹਾਂ ਤਸਵੀਰਾਂ 'ਤੇ ਇਹ ਗਲਤ ਨਤੀਜੇ ਦਿੰਦਾ ਹੈ।

ਹਰ ਵਾਰ ਜਦੋਂ ਤੁਸੀਂ quick test ਵਿਕਲਪ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋ, ਤਾਂ ਤਸਵੀਰ ਅਤੇ ਨਤੀਜੇ ਸਟੋਰ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। ਤੁਸੀਂ ਇਹ ਤਸਵੀਰਾਂ ਆਪਣੇ ਮਾਡਲ ਨੂੰ ਮੁੜ ਟ੍ਰੇਨ ਕਰਨ ਲਈ ਵਰਤ ਸਕਦੇ ਹੋ।

ਟਾਸਕ - ਆਪਣਾ ਇਮੇਜ ਕਲਾਸੀਫਾਇਰ ਮੁੜ ਟ੍ਰੇਨ ਕਰੋ

1. Microsoft Docs ਦੇ use the predicted image for training ਡੌਕੂਮੈਂਟੇਸ਼ਨ ਨੂੰ ਫਾਲੋ ਕਰੋ ਆਪਣੇ ਮਾਡਲ ਨੂੰ ਮੁੜ ਟ੍ਰੇਨ ਕਰਨ ਲਈ, ਹਰ ਤਸਵੀਰ ਲਈ ਸਹੀ ਟੈਗ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ।

2. ਜਦੋਂ ਤੁਹਾਡਾ ਮਾਡਲ ਮੁੜ ਟ੍ਰੇਨ ਹੋ ਜਾਵੇ, ਤਾਂ ਨਵੀਆਂ ਤਸਵੀਰਾਂ 'ਤੇ ਟੈਸਟ ਕਰੋ।

---

🚀 ਚੁਣੌਤੀ

ਤੁਹਾਨੂੰ ਕੀ ਲੱਗਦਾ ਹੈ ਕਿ ਜੇ ਤੁਸੀਂ ਕੇਲਿਆਂ 'ਤੇ ਟ੍ਰੇਨ ਕੀਤੇ ਮਾਡਲ ਨਾਲ ਸਟ੍ਰਾਬੇਰੀ ਦੀ ਤਸਵੀਰ ਦੀ ਵਰਤੋਂ ਕਰੋ, ਜਾਂ ਫੁਲਾਉਣ ਵਾਲੇ ਕੇਲੇ ਦੀ ਤਸਵੀਰ, ਜਾਂ ਕੇਲੇ ਦੇ ਸੂਟ ਵਿੱਚ ਕਿਸੇ ਵਿਅਕਤੀ ਦੀ ਤਸਵੀਰ, ਜਾਂ ਪੀਲੇ ਕਾਰਟੂਨ ਕਿਰਦਾਰ ਦੀ ਤਸਵੀਰ ਜਿਵੇਂ ਕਿ ਸਿਮਪਸਨਜ਼ ਵਿੱਚੋਂ ਕੋਈ ਹੋਵੇ, ਤਾਂ ਕੀ ਹੋਵੇਗਾ?

ਇਸ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ ਅਤੇ ਦੇਖੋ ਕਿ ਅਨੁਮਾਨ ਕੀ ਹਨ। ਤੁਸੀਂ Bing Image search ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੋਸ਼ਿਸ਼ ਕਰਨ ਲਈ ਤਸਵੀਰਾਂ ਲੱਭ ਸਕਦੇ ਹੋ।

ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼

ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼

ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ-ਅਧਿਐਨ

• ਜਦੋਂ ਤੁਸੀਂ ਆਪਣੇ ਕਲਾਸੀਫਾਇਰ ਨੂੰ ਟ੍ਰੇਨ ਕੀਤਾ, ਤਾਂ ਤੁਸੀਂ Precision, Recall, ਅਤੇ AP ਦੇ ਮੁੱਲ ਵੇਖੇ ਹੋਣਗੇ ਜੋ ਬਣਾਏ ਗਏ ਮਾਡਲ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ। Microsoft Docs ਦੇ build a classifier quickstart ਦੇ evaluate the classifier ਸੈਕਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪੜ੍ਹੋ ਕਿ ਇਹ ਮੁੱਲ ਕੀ ਹਨ।
• Microsoft Docs ਦੇ how to improve your Custom Vision model ਤੋਂ ਪੜ੍ਹੋ ਕਿ ਆਪਣੇ ਕਲਾਸੀਫਾਇਰ ਨੂੰ ਕਿਵੇਂ ਸੁਧਾਰਿਆ ਜਾ ਸਕਦਾ ਹੈ।

ਅਸਾਈਨਮੈਂਟ

ਅਨੇਕ ਫਲਾਂ ਅਤੇ ਸਬਜ਼ੀਆਂ ਲਈ ਆਪਣੇ ਕਲਾਸੀਫਾਇਰ ਨੂੰ ਟ੍ਰੇਨ ਕਰੋ

---

ਅਸਵੀਕਰਤੀ:
ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ Co-op Translator ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਹਾਲਾਂਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੱਜੇਪਣ ਹੋ ਸਕਦੇ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼, ਜੋ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਹੈ, ਨੂੰ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।